Kling 3.0

Présentation

kling-3.0-omni/text-to-video est la voie de génération de vidéo à partir de texte pur de la série Kling 3.0 Omni, accessible via l'interface unifiée de HiAPI.ai. Il produit une vidéo finie directement à partir d'un prompt, avec une durée de 3 à 15 secondes, des résolutions 720p/1080p/4k et trois formats d'image (paysage, portrait, carré), et permet d'activer l'audio natif ainsi que le découpage automatique en plusieurs plans. Il convient aux développeurs et aux équipes de contenu qui souhaitent valider rapidement des idées de plans et produire des vidéos courtes en série.

Points clés

• Le prompt pilote directement la vidéo finie — un seul prompt (jusqu'à 3072 caractères), sans aucun matériel de référence, suffit pour générer un clip vidéo complet.
• Audio synchronisé natif en option — une fois le paramètre audio activé, la vidéo et le son sont générés ensemble, ce qui évite l'étape de postsynchronisation et d'alignement des effets sonores.
• Découpage automatique en plusieurs plans — prefer_multi_shots permet au modèle de planifier lui-même plusieurs plans à partir du prompt, pour obtenir en une seule requête une séquence avec des changements de plan.
• Sujets réutilisables et référence par @ — jusqu'à 7 sujets peuvent être enregistrés, chacun défini par 2 à 4 images ; dans le prompt, on les référence par @nom pour préserver la cohérence du sujet à travers plusieurs plans.

Description des capacités

Génération de vidéo à partir de texte : après saisie du prompt, le fichier vidéo est renvoyé directement ; la durée est réglable entre 3 et 15 secondes, pour s'adapter aux besoins de séquences au rythme varié.

Contrôle de la résolution et du format : trois résolutions (720p, 1080p, 4k) et trois formats d'image (16:9, 9:16, 1:1) permettent d'obtenir en une requête une vidéo adaptée à une diffusion paysage, à un fil vertical ou à un support carré.

Interrupteur audio natif : audio est désactivé par défaut ; une fois activé, la vidéo génère simultanément un son synchronisé ; les séquences de dialogue ou d'ambiance n'ont plus besoin d'une synthèse de piste audio supplémentaire.

Enregistrement et référence de sujets : via elements, on transmet le nom du sujet, sa description et 2 à 4 images de référence ; on le désigne dans le prompt par @nom, ce qui permet à un même personnage ou objet de conserver une apparence cohérente d'un plan à l'autre.

Planification intelligente multi-plans : une fois prefer_multi_shots activé, le modèle décompose lui-même le prompt en plusieurs plans et organise le montage, ce qui réduit le travail de génération plan par plan puis d'assemblage.

Cas d'usage

• Production en série de vidéos courtes pour les réseaux sociaux par les équipes de contenu — saisir les arguments produit ou une description de sujet, générer un clip en 9:16 vertical, directement utilisable pour la diffusion sur les fils d'actualité et les plateformes de vidéos courtes.
• Prévisualisation de storyboard en amont pour le cinéma et l'animation — décrire les plans et la mise en scène en texte, activer le découpage multi-plans et obtenir rapidement une séquence visualisée, pour servir de référence aux discussions de storyboard et à la conception des plans.
• Validation créative pour la publicité et les films de marque — générer des séquences conceptuelles en 16:9 et haute résolution avant la production officielle, pour confirmer la direction créative auprès du client.
• Séquences de personnages avec dialogue — enregistrer le sujet personnage et le référencer dans le prompt, activer l'audio natif et produire une séquence de personnage avec son synchronisé, destinée à un pilote narratif.

Limites et conseils de choix

La durée maximale d'une génération est de 15 secondes ; une narration plus longue nécessite une génération par segments puis un assemblage. elements ne sert que de référence d'apparence du sujet ; le prompt doit le référencer explicitement par @nom pour que cela prenne effet, et les sujets non enregistrés ne garantissent pas la cohérence. L'augmentation de la résolution à 4k accroît sensiblement le coût de génération et de transfert. Cette voie n'accepte actuellement que du texte en entrée ; pour partir d'une image ou d'une vidéo existante, il faut utiliser les voies de la même série : image-to-video, reference-to-video ou transformation vidéo. Le coût est calculé selon le nombre de secondes de la vidéo de sortie ; la combinaison d'une longue durée et d'une haute résolution doit faire l'objet d'une estimation préalable du volume d'utilisation.